PDF提取表格的网页工具——Excalibur

ゝ一世哀愁。 2023-06-22 09:22 5阅读 0赞

在之前的文章[另类爬虫：从PDF文件中爬取表格数据][PDF]中，我们知道如何利用Python的camelot模块，通过写Python程序来提取PDF中的表格数据。本文我们将学习如何用更便捷的工具从PDF中提取表格。  
  Excalibur是一个用来从PDF中提取表格数据的网页工具，而它正是以camelot为基础。该工具目前只支持文本类型的PDF，而不支持扫描后的PDF文档，关于其说明和使用文档可以参考网址： https://github.com/camelot-dev/excalibur 。

### 安装Excalibur ###

在安装Excalibur之前，需要事先安装ghostscript，具体的安装方式可以参考：https://camelot-py.readthedocs.io/en/master/user/install-deps.html 。不同系统安装ghostscript的方式不一样，以笔者的mac电脑为例，安装命令如下：

$ brew install tcl-tk ghostscript

安装ghostscript完毕后，再通过pip安装Excalibur，命令如下：

$ pip3 install excalibur-py

以上就是全部的安装准备工作了。

### 启动与使用Excalibur ###

运行下面的命令启动Excalibur：

$ excalibur initdb
    $ excalibur webserver

前一句命令是初始化数据库，后一句命令是运行server服务。在浏览器中输入: http://localhost:5050 ，即可使用该平台。  
  进入该PDF表格提取平台，首页如下：

![进入PDF表格提取平台首页][PDF 1]  
笔者测试的PDF中含有以下表格：

![示例表格内容][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70]

我们将该PDF文档上传至上述平台，点击“Upload PDF”按钮，再选择相应的PDF文档以及该表格所在的页码即可。PDF上传后，该表格所在的那一页如下图所示：

![PDF上传后的页面][PDF 2]

在右侧的Anvanced中的Flavor中选择“lattice”，并用鼠标框选出表格所在的区域，如下图：

![选择表格所在的区域][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 1]

再点击“View and Download Data”按钮，就能得到从PDF解析表格后得到的数据了。截图如下：

![表格解析后的结果][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 2]

如果我们还想将这个表格解析后的结果保存为文件，则可以在Download旁的下拉框中选择一种保存的形式，并点击Download按钮。比如，笔者选择保存为csv文件，则下载后的文件如下：

"Method","Precision","Recall","F-measure"
    "(S1) SP-CCG","67.5","37.2","48.0"
    "(S1) SP-CFG","71.1","39.2","50.5"
    "(S1) K4","70.3","26.3","38.0"
    "(S2) SP-CCG","63.7","41.4","50.2"
    "(S2) SP-CFG","65.5","43.8","52.5"
    "(S2) K4","67.1","35.0","45.8"
    "","Table 5: Extraction Performance on ACE.","",""

我们可以发现，该表格解析后的结果还是相当漂亮的。

本次分享到此结束，感谢大家的阅读。

`注意`：本人现已开通微信公众号： Python爬虫与算法（微信号为：easy\_web\_scrape）， 欢迎大家关注哦~~

[PDF]: https://blog.csdn.net/jclian91/article/details/83314416
[PDF 1]: https://img-blog.csdnimg.cn/20191215202144758.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191215202306923.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx,size_16,color_FFFFFF,t_70
[PDF 2]: https://img-blog.csdnimg.cn/20191215202704438.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20191215202931335.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20191215203358230.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx,size_16,color_FFFFFF,t_70